Os resultados relacionados com a primeira métrica (C), são apresentadas através da Ta- bela 5. Essa tabela traz o total número de requisições, o número de vezes que o conteúdo requisitado estava armazenado na cache da F-AP e o número de vezes que o conteúdo requisi- tado estava na cache do F-UE. Ela também traz a métrica de avaliação C, seguido de seu desvio padrão σ C. Essa métrica está também representada através do gráfico da Figura 19.
Tabela 5: Resultados relacionados ao acesso de arquivos em cache (C).
Cenário Requisições Cache Hit - F-AP Cache Hit F-UE C σ C
C1 158 543 0 0 0,000 0 0,000 00 C2 158 543 29 446 0 0,185 7 0,003 03 C3 158 543 15 111 0 0,095 3 0,001 19 C4 158 543 45 101 0 0,284 4 0,004 74 C5 158 543 15 634 30 057 0,288 1 0,003 49 C6 157 640 0 0 0,000 0 0,000 00 C7 157 640 15 374 0 0,097 5 0,001 11 C8 157 640 14 637 0 0,092 9 0,000 73 C9 157 640 33 877 0 0,214 9 0,005 80 C10 157 640 20 114 15 035 0,223 0 0,003 60
Fonte: Elaborada pelo autor.
A primeira informação relevante para a análise é o número total de requisições. Nota-se que os cenários C1 a C5, os quais utilizam a distribuição de popularidade Zipf Regular, e os cenários C6 a C10, os quais utilizam a distribuição de popularidade Zipf Periódica, possuem o mesmo número médio de requisições entre si. Esse é o comportamento esperado, visto que to- dos os cenários foram executados utilizando a mesma semente e o mesmo conjunto de avanços na stream de geração número aleatórios. Portanto, esse número comprova que os F-UEs requi-
Figura 19: Gráfico contento os resultados relacionados à métrica de Cache Hit. 0.095 0.093 0.186 0.098 0.284 0.215 0.288 0.223 0.000 0.050 0.100 0.150 0.200 0.250 0.300 0.350
Zipf Regular Zipf Periódica
Cache
Hit
CENÁRIO/ESTRATÉGIA DE CACHING
Cache Hit
LRU LFU Nuoxus Sem Proatividade Nuoxus Com Proatividade Fonte: Elaborada pelo autor.
sitaram exatamente a mesma sequência de arquivos entre os cenários que utilizaram a mesma distribuição de popularidade.
A segunda informação é o número de cache hit. Como já esperado, é possível notar que os cenários C1 e C6, que são os que não possuem nenhum tipo de estratégia de caching, não há nenhum cache hit. Já os cenários C5 e C10, que são os que utilizam o caching proativo, além de apresentarem acesso à cache das F-APs, também apresentam acesso à cache dos F-UEs. Para o cenário que utiliza o Nuoxus com proatividade e Zipf Regular, cerca de 66% dos acessos à cacheocorreram nos F-UEs, e para o cenário que Nuoxus com proatividade e Zipf Periódica, o percentual de acesso que foram supridos pelo conteúdo armazenado na cache dos F-UEs foi de cerca de 43%. Apesar da métrica C não refletir o local do conteúdo acessado, a métrica L acaba sendo impactada.
Os resultados sugerem que a estratégia de caching do Nuoxus sem proatividade, apresenta um aumento no aproveitamento de cache de 53,16% ao comparar com o LFU e de 198,46% ao compará-lo com o LRU nos cenários onde a distribuição de popularidade é a Zipf Regular. Já nos cenários onde a distribuição de popularidade é a Zipf Periódica, esses números tornam-se 120,41% e 131,32%, respectivamente.
Ao comparar o Nuoxus com proatividade e sem proatividade, pode-se perceber que o apro- veitamento de cache de ambas as estratégias são bem similares. O Nuoxus com proatividade apresentou um desempenho ligeiramente pior que o Nuoxus sem proatividade nos cenários Zipf Regular. Porém, considerando o desvio padrão de ambos os resultados, é possível afirmar que não há diferenças no aproveitamento de cache. Similarmente, apesar do Nuoxus com proativi- dade ter apresentado um melhor aproveitamento de cache nos cenários com distribuição Zipf
Periódica, devido ao desvio padrão dos resultados obtidos, pode-se apensas afirmar que seu de- sempenho é similar ao Nuoxus sem proatividade. Como já descrito anteriormente, a principal diferença relacionado ao acesso ao conteúdo armazenado em cache entre o Nuoxus sem proati- vidade e o Nuoxus com proatividade acaba sendo a localização do conteúdo armazenado, o que impacta a latência de rede.
Por fim, é importante observar o quão resiliente as estratégias do Nuxous se mostraram ao trocar a distribuição de popularidade dos cenários. O Nuoxus sem proatividade teve uma queda de 24,89% na utilização de cache ao comparar o cenário C4 com o C9. Já a segunda estratégia com melhores resultados, o LFU, teve uma redução de 47,79% ao comparar o cenário C2 com o cenário C7.
6.1.2 Substituição de Arquivos
O segundo ponto avaliado é o quão frequentemente os arquivos são substituídos em cache, pois isso implica em um maior gasto em operações de entrada e saída. Os resultados obtidos são apresentados através da Tabela 6. Nessa tabela, novamente é apresentado o número médio de requisições realizadas, seguido do número de substituições realizadas. Por fim, a tabela apresenta a métrica definida S, seguido de seu desvio padrão σ S. Os resultados da métrica também são apresentados de maneira visual através do gráfico da Figura 20.
Tabela 6: Resultados relacionados ao número de substituições de arquivos em cache (S).
Cenário Requisições Substituições S σ S
C1 158 543 0 0,000 0,000 0 C2 158 543 24 700 0,156 0,002 9 C3 158 543 141 298 0,891 0,017 4 C4 158 543 26 238 0,165 0,003 1 C5 158 543 22 667 0,143 0,002 6 C6 157 640 0 0,000 0,000 0 C7 157 640 22 939 0,146 0,001 2 C8 157 640 154 207 0,978 0,008 3 C9 157 640 32 116 0,204 0,002 5 C10 157 640 24 499 0,155 0,001 4
Fonte: Elaborada pelo autor.
É evidente que a estratégia com piores resultados nesse quesito é o LRU (cenários C3 e C8),s endo que cerca de 89,1% das requisições resultaram em substituição nos cenários com Zipf Regular (cenários C1 a C5). Nos cenários com Zipf Periodica (cenários C6 a C10), esse número sobe para 97,8%. Esse comportamento já era esperado, pois nessa estratégia o único fator considerado é o quão recente um arquivo foi requisitado. Então, mesmo que um arquivo foi requisitado apenas uma única vez, ele é armazenado em cache.
Já ao comparar a estratégia Nuoxus com a LFU, os resultados sugerem que ambas têm um desempenho bastante similar. Nos testes com distribuição de popularidade Zipf Regular, o
Figura 20: Gráfico contento os resultados relacionados à métrica de Substituições de Arquivos em Cache 0.891 0.978 0.165 0.156 0.143 0.204 0.146 0.155 0 0.2 0.4 0.6 0.8 1 1.2
Zipf Regular Zipf Periódica
Subs
titui
ções
CENÁRIO/ESTRATÉGIA DE CACHING
Substituições
LRU Nuoxus Sem Proatividade LFU Nuoxus Com Proatividade Fonte: Elaborada pelo autor.
Nuoxus sem proatividade aumentou o número de substituições em 6,22% ao compará-lo com o LFU. Já o Nuoxus com proatividade reduziu o número de substituições em 8,23% ao compará- lo com o mesmo algoritmo. As maiores diferenças surgem nos cenários com Zipf Periódica, onde o percentual de substituições do Nuoxus sem proatividade é 40% maior que o LFU e do Nuoxus com proatividade é 6,8% maior.
É importante destacar nessa métrica é que, mesmo apresentando os melhores resultados de cache hit, os cenários que utilizam a estratégia de caching do Nuoxus não apresentam uma taxa de substituição muito maior. O que indica que as operações de entrada e saída do dispositivo de armazenamento não seriam um impeditivo para a adoção dessa estratégia.
6.2 Latência de Rede
Como mencionado anteriormente, a latência de rede é formada por uma série de fatores (CHOI et al., 2004). Porém, dado as condições dos testes e visto que o único fator que é alterado entre os cenários é a estratégia de caching utilizada, podemos dizer que essa métrica é um indicativo direto do impacto da redução de requisições de arquivos ao servidor de cache, visto que esse ato diminui o tráfego de dados no fronthaul, reduzindo o atraso da rede. A Tabela 7 apresenta os resultados obtidos relacionados à essa métrica e a Figura 21 apresenta os mesmos resultados de uma maneira gráfica.
Os resultados obtidos demostram que, para os cenários Zipf Regular, o Nuoxus sem proati- vidade apresentou uma redução de 21,65% na latência quando comparado com o cenário sem caching, uma redução de 13,36% quando comparado com o cenário que utiliza LFU e 17,09%
Tabela 7: Resultados relacionados à Latência de Rede (L) em milissegundos. Cenário L σ L C1 22,940 3 0,187 05 C2 20,745 3 0,601 99 C3 21,892 5 0,434 11 C4 17,973 2 0,302 17 C5 16,114 6 0,443 06 C6 23,031 5 0,643 53 C7 21,330 5 0,691 70 C8 22,553 8 0,558 19 C9 18,624 3 0,794 01 C10 16,871 1 0,429 23 Fonte: Elaborada pelo autor.
Figura 21: Gráfico contento os resultados relacionados à métrica Latência de Rede
22.940 23.031 21.893 20.745 22.554 21.330 17.973 18.624 16.115 16.871 0.000 5.000 10.000 15.000 20.000 25.000 30.000
Zipf Regular Zipf Periódica
A tr aso (Mi lisegund os) CENÁRIO/ESTRATÉGIA DE CACHING
Latência de Rede
Sem Cache LRU LFU Nuoxus Sem Proatividade Nuoxus Com Proatividade
Fonte: Elaborada pelo autor.
quando comparado com o LRU. Ao utilizarmos o Nuoxus com proatividade como base, o per- centual de redução no atraso aumenta para 29,75%, 22,32% e 26,39%, respectivamente.
Já nos cenários Zipf Periódica, a redução de atraso do Nuoxus sem proatividade é de 19,13% quando comparado com o cenário sem caching, de 12,69% quando comparado com o LFU e de 17,42% quando comparado com o LRU. Esses números são 26,75%, 20,91% e 25,20% ao utilizarmos o Nuoxus com proatividade como base de comparação.
Conforme mencionado anteriormente, o impacto do local em que o cache hit ocorre pode ser melhor observado através dessa métrica. Por exemplo, analisando os cenários onde o Zipf Regular foi utilizado, o Nuoxus sem proatividade e com proatividade obtiveram resultados bas- tante similares em termos de cache hit (28,4% e 28,8%, respectivamente). Porém, como cerca
de 66% dos arquivos resgatados de cache estavam armazenados nos F-UEs, a redução na latên- cia de rede foi de cerca de 10% quando comparamos o Nuoxus com proatividade com o Nuoxus sem proatividade.
Similarmente, nos cenários que utilizam Zipf Periódica, o percentual de cache hit foi de 21,5% para o Nuoxus sem proatividade e de 22,3% para o Nuoxus com proatividade. Porém, como cerca de 43% dos acessos à cache no Nuoxus com proatividade ocorreu diretamente nos F-UEs, a redução da latência de rede foi de 9,4%.
6.3 Considerações do Capítulo
Considerando os resultados obtidos para os cenários testados, é possível afirmar que o Nuo- xus proativo é a estratégia que apresenta o maior ganho. Porém, mesmo em situações onde ela não possa ser utilizada, por exemplo, enquanto os dispositivos de borda não possuírem capaci- dade de caching, a estratégia do Nuoxus sem proatividade ainda se sobressai quando comparada com outras estratégias populares, como LFU e LRU.
A única métrica em que o Nuoxus não apresenta os melhores resultados é a relacionada com o número de substituições de arquivos, onde o aumento do número de substituições ao utilizar o Nuoxus sem proatividade ao invés do LFU é de 40% para o cenário que utiliza Zipf Periódica. Porém, ao analisar a métrica, verifica-se que o percentual de requisições que geraram substituições aumentou de 14.6% para 20.4%, então, no total o aumento real é de cerca de 5.8% das requisições. Infelizmente, o tempo de acesso ao disco não foi simulado durante os testes, então não há como afirmar qual é o impacto real desse aumento no tempo total de processamento das requisições.
Porém, para uma F-RAN, a métrica mais importante é a redução do número de acessos ao fronthaul(PENG et al., 2016), que nesse trabalho foi medido de duas formas: através do acesso ao cache e do impacto desse acesso à latência de rede. Em ambas as medidas, o Nuoxus se sobressaiu em relação as demais estratégias de caching, sugerindo que F-RANs se beneficiariam ao aplicar o modelo.
7 CONCLUSÃO
Nos próximos anos, espera-se que o número de dispositivos móveis conectados a uma rede sem fio de longa distância tenha um aumento significativo suficiente para esgotar os recursos oferecidos pelas tecnologias atuais (Samsung Electronics, 2015).Devido a essas projeções, a comunidade cientifica e as indústrias estão colocando esforços na definição das redes 5G, e uma das arquiteturas mais recentes proposta para atender às suas especificações é chamada de F-RAN (PENG et al., 2016) Além disso, estudos de tráfego de rede relatam que a maior parte dos dados consumidos por dispositivos móveis consiste em conteúdo multimídia (CISCO, 2017).
Dado esse contexto, esse trabalho apresentou o modelo Nuoxus, cujo objetivo principal é a realização de caching de conteúdo multimídia em dispositivos de bordas em uma arquitetura F-RAN, com a finalidade de amenizar um dos maiores problemas desse tipo de arquitetura: o intenso tráfego de dados no fronthaul. Diferente de trabalhos relacionados, o Nuoxus ofe- rece caching de forma proativa sem a necessidade de um componente centralizado para fazer a coordenação, atuando de forma contínua no nó que o executa.
As contribuições cientificas desse trabalho podem ser resumidas nos seguintes dois pontos: • Um modelo de caching multicamadas, voltado para arquiteturas F-RAN, com capacidade de realizar o caching de conteúdo de forma proativa, onde as camadas superiores possuem capacidade de sugerir o armazenamento de conteúdo na cache de camadas inferiores antes mesmo do usuário final requisitá-lo;
• Uma nova estratégia de caching onde a similaridade de cosseno entre o nó requisitante e o restante da rede é um dos fatores considerados para determinar qual arquivos tem maiores chances de serem requisitados no futuro.
Os resultados das simulações demostram que o modelo proposto apresenta os melhores resultados entre as estratégias de caching avaliadas. A aplicação da estratégia de caching do Nuoxus foi capaz de aumentar o número de acessos ao conteúdo armazenado na cache em até 54,62% (Nuoxus sem proatividade) e em 56,27% (Nuoxus com proatividade). O aumento do número de acessos ao conteúdo na cache dos nós implica na redução no número de acessos ao fronthaul, mitigando um dos maiores problemas das F-RANs, e resultando em uma redução na latência da rede.
Como trabalhos futuros, sugere-se a integração do Nuoxus com um modelo real de F-RAN quando houver ferramental disponível, fazendo o teste com uma carga real de rede. Além disso, há a possibilidade de explorar o impacto do tamanho do espaço de armazenamento dos dispositivos na eficiência de caching do modelo, assim como adaptá-lo para armazenar partes dos arquivos, possibilitando uma maior diversidade de conteúdo. Por fim, dado a visão de um baixo consumo de energia para essas futuras redes, também é necessário testar o impacto da utilização do modelo nesse aspecto.
REFERÊNCIAS
3GPP. Requirements for further advancements for Evolved Universal Terrestrial Radio Access (E-UTRA) (LTE-Advanced). [S.l.]: 3rd Generation Partnership Project (3GPP), 2015. TS. (36.913).
3GPP. Study on New Services and Markets Technology Enablers. [S.l.]: 3rd Generation Partnership Project (3GPP), 2016. TS. (22.891).
5G PPP Architecture Working Group. View on 5G Architecture. Heidelberg, Germany: [s.n.], 2016.
AHLEHAGH, H.; DEY, S. Hierarchical video caching in wireless cloud: approaches and algorithms. In: IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC), 2012., 2012, Washington, DC, USA. Anais. . . IEEE, 2012. p. 7082–7087.
HENNEQUIN, P. L. (Ed.). Exchangeability and related topics. In: _____. École d’Été de Probabilités de Saint-Flour XIII — 1983. Berlin, Heidelberg: Springer Berlin Heidelberg, 1985. v. 1117, p. 1––198.
ALFIAD, M. S.; BORNE, D. van den; WUTH, T.; KUSCHNEROV, M.; LANKL, B.;
WEISKE, C.; MAN, E. de; NAPOLI, A.; WAARDT, H. de. 111-Gb/s POLMUX-RZ-DQPSK transmission over 1140 km of SSMF with 10.7-Gb/s NRZ-OOK neighbours. In: EUROPEAN CONFERENCE ON OPTICAL COMMUNICATION, 2008., 2008, Brussels, Belgium. Anais. . . [S.l.: s.n.], 2008. p. 1–2.
AMENTIE, M. D.; SHENG, M.; SONG, J.; LIU, J. Minimum delay guaranteed cooperative device-to-device caching in 5G wireless networks. In: INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS SIGNAL PROCESSING (WCSP), 2016., 2016, Washington, DC, USA. Anais. . . IEEE, 2016. p. 1–5.
BASTUG, E.; BENNIS, M.; DEBBAH, M. Living on the edge: the role of proactive caching in 5g wireless networks. IEEE Communications Magazine, Washington, DC, USA, v. 52, n. 8, p. 82–89, August 2014.
BASTUG, E.; BENNIS, M.; DEBBAH, M. A transfer learning approach for cache-enabled wireless networks. In: INTERNATIONAL SYMPOSIUM ON MODELING AND
OPTIMIZATION IN MOBILE, AD HOC, AND WIRELESS NETWORKS (WIOPT), 2015., 2015, Washington, DC, USA. Anais. . . IEEE, 2015. p. 161–166.
BA¸sTU˘g, E.; BENNIS, M.; ZEYDAN, E.; KADER, M. A.; KARATEPE, I. A.; ER, A. S.; DEBBAH, M. Big data meets telcos: a proactive caching perspective. Journal of
Communications and Networks, Washington, DC, USA, v. 17, n. 6, p. 549–557, December 2015.
BHARDWAJ, S.; KOLE, A. Review and study of internet of things: it’s the future. In: INTERNATIONAL CONFERENCE ON INTELLIGENT CONTROL POWER AND
BONOMI, F.; MILITO, R.; ZHU, J.; ADDEPALLI, S. Fog Computing and Its Role in the Internet of Things. In: FIRST EDITION OF THE MCC WORKSHOP ON MOBILE CLOUD COMPUTING, 2012, New York, NY, USA. Proceedings. . . ACM, 2012. p. 13–16. (MCC ’12).
BORST, S.; GUPTA, V.; WALID, A. Distributed Caching Algorithms for Content Distribution Networks. In: PROCEEDINGS IEEE INFOCOM, 2010., 2010, Washington, DC, USA. Anais. . . IEEE, 2010. p. 1–9.
BRESLAU, L.; CAO, P.; FAN, L.; PHILLIPS, G.; SHENKER, S. Web caching and Zipf-like distributions: evidence and implications. In: INFOCOM ’99. EIGHTEENTH ANNUAL JOINT CONFERENCE OF THE IEEE COMPUTER AND COMMUNICATIONS
SOCIETIES. PROCEEDINGS. IEEE, 1999, Washington, DC, USA. Anais. . . IEEE, 1999. v. 1, p. 126–134 vol.1.
BRODERSEN, A.; SCELLATO, S.; WATTENHOFER, M. YouTube Around the World: geographic popularity of videos. In: INTERNATIONAL CONFERENCE ON WORLD WIDE WEB, 21., 2012, New York, NY, USA. Proceedings. . . ACM, 2012. p. 241–250. (WWW ’12).
BYERS, C. C. Architectural Imperatives for Fog Computing: use cases, requirements, and architectural techniques for fog-enabled iot networks. IEEE Communications Magazine, Washington, DC, USA, v. 55, n. 8, p. 14–20, 2017.
CHEN, C. J. User Adoption Decisions in Self-Service Technologies: a study of the internet banking. In: IIAI INTERNATIONAL CONGRESS ON ADVANCED APPLIED
INFORMATICS (IIAI-AAI), 2016., 2016, Kumamoto, Japan. Anais. . . CPS Publishing Inc.EEE, 2016. p. 1207–1208.
China Mobile. The Road Towards Green RAN - White Paper. China: China Mobile Research Institute, 2010. TS.
CHOI, B. K.; MOON, S.; ZHANG, Z.-L.; PAPAGIANNAKI, K.; DIOT, C. Analysis of point-to-point packet delay in an operational network. In: IEEE INFOCOM 2004, 2004, Hong Kong. Anais. . . [S.l.: s.n.], 2004. v. 3, p. 1797–1807 vol.3.
CISCO. Cisco Visual Networking Index: global mobile data traffic forecast update, 2016–2021 white paper. Washington, DC, USA: [s.n.], 2017. TS. (1454457600805266). COMSCORE. comScore Releases January 2014 U.S. Online Video Rankings. Disponível em: <http://www.comscore.com/Insights/Press-Releases/2014/2/comScore-Releases-January- 2014-US-Online-Video-Rankings>. Acesso em: 06 de junho de
2017.
DENNING, P. J. The locality principle. Communications of the ACM, New York, NY, USA, v. 48, n. 7, p. 19–24, 2005.
DIESTEL, R. Graph Theory (Graduate Texts in Mathematics). Heidelberg, Germany: Springer, 2010.
ELAARAG, H. A Quantitative Study of Web Cache Replacement Strategies Using Simulation. In: _____. Web Proxy Cache Replacement Strategies: simulation,
ENCODING. Understanding Bitrates in Video Files. Disponível em:
<http://help.encoding.com/knowledge-base/article/understanding-bitrates-in-video-files>. Acesso em: 06 de junho de 2017.
FENG, B.; JIANG, L.; FENG, G.; QIN, S.; GUO, Y. Network Coding Based Content Caching in Hierarchical Cloud Service Network for 5G. In: IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM), 2016., 2016, Washington, DC, USA. Anais. . . IEEE, 2016. p. 1–6.
FIORE, M.; MININNI, F.; CASETTI, C.; CHIASSERINI, C. F. To Cache or Not To Cache? In: IEEE INFOCOM 2009, 2009, Washington, DC, USA. Anais. . . IEEE, 2009. p. 235–243. GILL, P.; ARLITT, M.; LI, Z.; MAHANTI, A. Youtube Traffic Characterization: a view from the edge. In: ACM SIGCOMM CONFERENCE ON INTERNET MEASUREMENT, 7., 2007, San Diego, CA, USA. Proceedings. . . ACM, 2007. p. 15–28. (IMC ’07).
GUAN, Y.; XIAO, Y.; FENG, H.; SHEN, C. C.; CIMINI, L. J. MobiCacher: mobility-aware content caching in small-cell networks. In: IEEE GLOBAL COMMUNICATIONS
CONFERENCE, 2014., 2014, Washington, DC, USA. Anais. . . IEEE, 2014. p. 4537–4542. HALL, M. Combinatorial Theory (Wiley Classics Library). New York, NY, USA: Wiley-Interscience, 1986.
HAMERS, L.; HEMERYCK, Y.; HERWEYERS, G.; JANSSEN, M.; KETERS, H.; ROUSSEAU, R.; VANHOUTTE, A. Similarity measures in scientometric research: the jaccard index versus salton’s cosine formula. Information Processing & Management, Oostende, Belgium, v. 25, n. 3, p. 315–318, 1989.
HUANG, X.; ZHAO, Z.; ZHANG, H. Latency Analysis of Cooperative Caching with Multicast for 5G Wireless Networks. In: IEEE/ACM 9TH INTERNATIONAL CONFERENCE ON UTILITY AND CLOUD COMPUTING (UCC), 2016., 2016, Washington, DC, USA. Anais. . . IEEE, 2016. p. 316–320.
JAYAREKHA, P.; NAIR, T. R. G. An Adaptive Dynamic Replacement Approach for a Multicast based Popularity Aware Prefix Cache Memory System. CoRR, Washington, DC, USA, v. abs/1001.4135, 2010.
JIANG, L.; FENG, G.; QIN, S. Cooperative content distribution for 5G systems based on distributed cloud service network. In: IEEE INTERNATIONAL CONFERENCE ON COMMUNICATION WORKSHOP (ICCW), 2015., 2015, London, UK. Anais. . . IEEE, 2015. p. 1125–1130.
JOHNSON, D. H. Signal-to-noise ratio. Scholarpedia, [S.l.], v. 1, n. 12, p. 2088, 2006. revisão #91770.
KAREDLA, R.; LOVE, J. S.; WHERRY, B. G. Caching strategies to improve disk system performance. Computer, Washington, DC, USA, v. 27, n. 3, p. 38–46, March 1994. LEISERSON, C. E. Greedy Algorithms. In: _____. Introduction To Algorithms. Washington, DC, USA: THE MIT PRESS, 1990. p. 329.
LI, H.; HU, D.; CI, S. iCacheOS: in-ran caches orchestration strategy through content joint wireless and backhaul routing in small-cell networks. In: IEEE GLOBAL
COMMUNICATIONS CONFERENCE (GLOBECOM), 2015., 2015, Washington, DC, USA. Anais. . . IEEE, 2015. p. 1–7.
LIU, A.; LAU, V.; HAN, W. Randomized user-centric clustering for cloud radio access network with PHY caching. In: IEEE GLOBAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING (GLOBALSIP), 2015., 2015, Washington, DC, USA. Anais. . . IEEE, 2015. p. 948–952.
MAHANTI, A.; WILLIAMSON, C.; EAGER, D. Traffic Analysis of a Web Proxy Caching Hierarchy. Netwrk. Mag. of Global Internetwkg., Washington, DC, USA, v. 14, n. 3, p. 16–23, May 2000.
NS-3 Project. NS-3 Documentation. Disponível em: <www.nsnam.org/documentation>. Acesso em: 04 de junho de 2017.
OSSEIRAN, A.; BOCCARDI, F.; BRAUN, V.; KUSUME, K.; MARSCH, P.; MATERNIA, M.; QUESETH, O.; SCHELLMANN, M.; SCHOTTEN, H.; TAOKA, H.; TULLBERG, H.; UUSITALO, M. A.; TIMUS, B.; FALLGREN, M. Scenarios for 5G mobile and wireless communications: the vision of the metis project. IEEE Communications Magazine, Washington, DC, USA, v. 52, n. 5, p. 26–35, May 2014.
PAN, S. J.; YANG, Q. A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, Washington, DC, USA, v. 22, n. 10, p. 1345–1359, October 2010. PARK, S. H.; SIMEONE, O.; SHAMAI, S. Joint optimization of cloud and edge processing for fog radio access networks. In: IEEE INTERNATIONAL SYMPOSIUM ON
INFORMATION THEORY (ISIT), 2016., 2016, Washington, DC, USA. Anais. . . IEEE, 2016. p. 315–319.
PENG, M.; LI, Y.; JIANG, J.; LI, J.; WANG, C. Heterogeneous cloud radio access networks: a new perspective for enhancing spectral and energy efficiencies. IEEE Wireless
Communications, Washington, DC, USA, v. 21, n. 6, p. 126–135, December 2014.
PENG, M.; YAN, S.; ZHANG, K.; WANG, C. Fog-computing-based radio access networks: issues and challenges. IEEE Network, Washington, DC, USA, v. 30, n. 4, p. 46–53, July 2016. PIRO, G.; BALDO, N.; MIOZZO, M. An LTE module for the ns-3 network simulator. In: INTERNATIONAL ICST CONFERENCE ON SIMULATION TOOLS AND TECHNIQUES, 4., 2011, Washington, DC, USA. Proceedings. . . ACM, 2011. p. 415–422.
POLI, R.; KENNEDY, J.; BLACKWELL, T. Particle swarm optimization. Swarm Intelligence, NY, USA, v. 1, n. 1, p. 33–57, 2007.
POULARAKIS, K.; IOSIFIDIS, G.; SOURLAS, V.; TASSIULAS, L. Exploiting Caching and Multicast for 5G Wireless Networks. IEEE Transactions on Wireless Communications, Washington, DC, USA, v. 15, n. 4, p. 2995–3007, April 2016.
POUSHTER, J. Smartphone Ownership and Internet Usage Continues to Climb in Emerging Economies. Washington, DC, USA: PewResearchCenter, 2016.